✅ 任务目标

1. 了解 ASR（自动语音识别），让 AI 将语音转换为文本。

2. 使用开源语音识别库，在本地运行语音转文字。

3. 训练自己的语音识别模型，让 AI 适应你的声音。

第一步：什么是 ASR（自动语音识别）？

ASR（Automatic Speech Recognition）就是让 AI 把人说的话转换成文字，它是语音助手的基础。

• 你对 Siri 说 “明天的天气怎么样？”，它需要先把这句话 转换成文本，然后用 NLP 理解你的意思。

• 你的智能助手也需要 语音输入，这样用户就可以通过 说话 来控制 AI，而不是只能打字。

常见的 ASR 应用：

• 语音助手（Siri、小爱同学、讯飞语音）。

• 会议转录（腾讯会议、钉钉语音转写）。

• 字幕生成（B站 AI 字幕）。

• 语音控制（"打开微信"，"拨打电话给妈妈"）。

第二步：安装语音识别库

在 Python 里，我们可以使用 SpeechRecognition 进行语音识别。

pipinstallspeechrecognitionpydub

第三步：让 AI 识别麦克风语音

我们用 speech_recognition 让 AI 实时听取你的声音，并转换成文字。

import speech_recognition as sr# 初始化识别器recognizer = sr.Recognizer()# 打开麦克风with sr.Microphone() as source:    print("🎤 说话中...")    recognizer.adjust_for_ambient_noise(source)  # 适应环境噪音    audio = recognizer.listen(source)  # 录音# 识别语音try:    text = recognizer.recognize_google(audio, language="zh-CN")  # 识别中文    print(f"你说的是：{text}")except sr.UnknownValueError:    print("无法识别语音")except sr.RequestError:print("无法连接到语音识别服务")

🎙️ 测试

运行代码后，你可以 对着麦克风说话，AI 会把你的声音转换成文本。

第四步：让 AI 识别本地音频文件

如果你想让 AI 识别音频文件（比如 .wav 录音文件），可以这样做：

audio_path = "your_audio.wav"with sr.AudioFile(audio_path) as source:    audio = recognizer.record(source)  # 读取音频    text = recognizer.recognize_google(audio, language="zh-CN") print(f"音频内容：{text}")

📌 注意：

• speech_recognition 只能识别 WAV 格式，如果你的音频是 MP3，需要先转成 WAV。

第五步：使用 Whisper 进行离线语音识别

上面的 speech_recognition 需要联网，但如果你想要本地运行，可以使用 OpenAI Whisper！Whisper 是一个超强的语音识别模型，支持 多种语言，而且 可以在本地运行。

1. 安装 Whisper

pipinstallopenai-whisper

2. 让 AI 识别本地音频

import whisper# 加载 Whisper 模型model = whisper.load_model("base")# 识别音频result = model.transcribe("your_audio.wav")print("识别结果：",result["text"])

Whisper 支持中文，而且准确率比 speech_recognition 更高！

第六步：训练自己的 ASR 模型（进阶）

如果你想让 AI 适应你的声音，可以训练自己的 ASR 模型，比如：

• Fine-tune Whisper：用你的语音数据微调 Whisper，让它更懂你的口音。

• Mozilla DeepSpeech：一个开源 ASR 项目，可以自己训练模型。

• PaddleSpeech：百度的语音识别框架，也支持中文。

但 训练 ASR 需要大量语音数据，所以建议先用 Whisper 直接推理，后期再考虑训练自己的模型。

🎯 练习任务

✅ 任务 1：让 AI 识别你的声音，并转成文字。✅ 任务 2：尝试 Whisper，看它的准确率是否比 speech_recognition 更好。✅ 任务 3：试试不同的音频格式（MP3、WAV），看看识别效果如何。